La recherche dans le Journal international des communautés basées sur le Web introduit une approche nouvelle et précise pour identifier les utilisateurs anormaux dans les réseaux sociaux en examinant plusieurs caractéristiques du comportement des utilisateurs à la fois. En puisant dans les API (interfaces de programmation avancées) de divers réseaux sociaux, Jian Xie du College of Education de l'Université normale de Fuyang à Fuyang, en Chine, a pu recueillir des données complètes sur les utilisateurs, y compris des détails sur leurs comptes, le contenu qu'ils publient , et les manières spécifiques dont ils se comportent.

Une analyse de ces données lui a permis d'attribuer un ensemble d'attributs aux utilisateurs. En appliquant la réduction d'attribut, il pourrait alors éliminer toutes les fonctionnalités redondantes et ainsi créer un ensemble de fonctionnalités d'attribut ciblé avec lequel analyser les comptes suspects.

Xie a ensuite utilisé les données assimilées pour former le modèle XGBoost, un puissant algorithme d'apprentissage automatique, afin de créer une fonction très objective capable de signaler rapidement un comportement anormal sur un réseau social. Xie a pu identifier les utilisateurs anormaux avec une précision de 95 %, suffisante pour alerter les administrateurs du système de tout problème potentiel qui pourrait ensuite être examiné manuellement et des mesures prises pour bloquer les utilisateurs malveillants, par exemple. Le niveau d'erreur atteint était faible, tout comme la vitesse à laquelle les utilisateurs anormaux pouvaient être identifiés, en quelques fractions de seconde, en fait. L'approche de Xie est plus rapide et plus précise que les méthodes précédentes qu'il note dans son article.

Les résultats ont des implications sur les réseaux sociaux, où l'identification des utilisateurs anormaux, qu'il s'agisse de tiers malveillants, de trolls, de spammeurs, d'intimidateurs, de comptes de désinformation, de faux comptes, de noms d'utilisateur détournés ou de bots, joue un rôle important dans le maintien de la sécurité des utilisateurs légitimes. et protéger l'intégrité globale de la communauté numérique.

"Cette méthode présente les caractéristiques d'une grande précision d'extraction des caractéristiques, d'un faible taux d'erreur d'identification et d'un faible temps d'identification des utilisateurs anormaux dans les réseaux sociaux", conclut Xie. Il suggère que l'approche pourrait jeter les bases du développement de puissantes politiques de sécurité des réseaux sociaux.